基于12345熱線訴求的江蘇科技人才服務數據的分析與研究

摘要：文章探討了如何利用文本挖掘與自然語言處理（NLP）技術，對12345市民服務熱線數據進行深度分析，以揭示當前科技人才政策相關的社會需求、關注熱點及存在問題。通過對12345熱線海量非結構化數據的智能解析及研究，文章構建了一套識別科技人才政策訴求的主題模型，旨在為政府科技人才政策制定提供更為精確的需求導向和決策依據。

關鍵詞：12345熱線；文本挖掘；科技人才政策分析

中圖分類號：C962文獻標志碼：A

0引言黨的二十大報告指出：“教育、科技、人才是全面建設社會主義現代化國家的基礎性、戰略性支撐”。這一重要論斷闡釋了新時代實施科教興國戰略、強化現代化建設人才支撐的重大戰略意義，明確了建設教育強國、科技強國、人才強國的出發點。科技創新是推動社會經濟持續發展和國家競爭力提升的關鍵驅動力，而科技人才則是實現這一驅動的核心資源和戰略支撐。科技與人才是相互促進、相輔相成的關系。在現代社會中，兩者共同構成了國家和地區競爭力的核心要素。吸引人才和培養人才是當前地方政府推動產業轉型和經濟可持續發展的重要手段。地方政府基于對人才的需求出臺了大量的科技人才政策，這不僅是驅動地方科技進步、經濟發展的重要手段，也是影響區域長期競爭力和社會進步的關鍵因素。有效的科技人才政策不僅能夠吸引、培養和留住高端科技人才，還能激發各類人才的創新活力，促進科技成果的轉化與應用，從而助力政府科技創新體系的建設和完善［1］。

12345熱線作為政府政策咨詢服務的重要窗口，廣大科技人才可通過12345熱線平臺咨詢和反饋針對科技人才政策及執行情況的意見和建議，讓12345熱線平臺積累了大量的科技人才政策與科技人才需求的適配信息。科技人才政策服務信息中蘊含著豐富的人才適配需求和社會關切，這些咨詢反饋信息直接反映了政策執行的實際效果以及社會各界對科技人才政策的關注焦點和潛在問題。

學界關于政府熱線數據分析的研究比較豐富，針對政務熱線本身的研究，鄭躍平［2］通過對28個大中城市政務熱線的調查研究總結了政務熱線的服務效率依舊不高、機構設置和管理體制不夠規范、職責定位尚不清晰、缺乏統一的標準化管理機制和服務要求、人才隊伍有待進一步加強等問題。此外，政務熱線的平臺，有效聯系了政府與公眾，促進了政府回應和市民參與，形成了以政務熱線為紐帶的協同治理機制。鄭躍平［2］認為，政務熱線是政府與公民之間的互動的重要渠道之一，是政府與公眾之間、政府跨層級與部門之間協同推動問題解決的樞紐。王芳等［3-4］從文本挖掘技術的發展入手，結合政府熱線的實際工作需求，探討了文本挖掘技術在政府熱線中的應用價值和潛力，通過對現有研究的綜述和分析，提出了未來研究的方向和展望。李燕等［5-8］從科技人才政策評價的實際需求出發，將文本挖掘技術與科技人才政策研究相結合，通過實際案例的應用和分析，揭示了文本挖掘在科技人才政策特征研究中的方法和價值，研究結論和實踐啟示為該領域的政策制定和實施提供了有益參考。綜上所述，現階段關于政府熱線的研究大多關注的是政務熱線對整體治理協同能力的提升，緊緊圍繞熱線自身運營與建設情況研究，且大多數研究在質性研究方法的基礎之上，缺乏多學科視角與多種研究方式并存，較少有研究從具體的政策領域出發，關注政務熱線對某一政策領域的賦能，無法對具體人才政策服務場景提供具體的指導和建議。目前，政府熱線針對科技人才政策數據的深度研究尚未有見，本文結合政府熱線與科技人才政策在數據文本挖掘與分析做了有益的嘗試，獲得了良好的效果。

本文主要是利用12345平臺的海量數據，提取科技人才政策與人才的政策需求適配信息，能夠更加細致和高效地利用政務熱線的信息，充分發揮數據要素價值。同時，利用文本挖掘和自然語言處理（NLP）技術對12345熱線數據進行深度分析，并引入人工智能機器學習方法對大量非結構化文本數據進行清洗、分類、關鍵詞提取、情感分析以及主題建模等系列操作，系統性地揭示科技人才政策相關的實際需求、熱點議題及存在的痛點難點，進而為政策制定者提供基于真實數據的決策依據，以確保科技人才政策更加貼近社會實際需求，同時為具體的治理實踐提供依據，推動人才政策的制定和完善。

1研究對象與方法

1.1研究對象

本文所使用的“12345”熱線數據來自江蘇省數據局。以科技人才反映的問題作為研究對象，本文從熱線人才服務數據中提取了2023年1月—2024年2月約3萬條數據。每條數據字段包括工單編號、工單類型、生成時間、事件發生地、訴求分類、訴求內容、辦理單位、答復意見等信息。

1.2研究方法

（1）自然語言處理技術（NLP）。12345熱線相關訴求數據為文本數據，需利用文本挖掘和自然語言處理技術將相關文本信息轉化為數據，識別出科技人才需求熱點與問題。

（2）無監督機器學習算法LDA（Latent Dirichlet Allocation）。對12345熱線人才服務數據進行主題建模，挖掘熱線服務記錄中隱藏的主體結構和模式，從而更好地理解人才訴求的焦點、熱點問題以及潛在需求。同時進行分類標注，將非結構化的服務信息轉化為結構化數據。根據政策指導、業務需求和歷史案例，梳理出人才服務的主要類別，構建一套詳細的分類標簽體系。

2實證分析

2.1數據預處理

數據預處理包括去噪和標準化處理。去噪主要是剔除無效、重復以及無關的數據信息，如錯誤輸入、廣告信息等；標準化處理則是將數據格式統一化，便于后續分析操作，如時間戳的轉換、文本內容的統一編碼等。本文使用的數據是熱線的原始數據。

2.2關鍵詞提取與聚類

通過TIF-IDF對12345熱線人才服務數據進行關鍵詞提取和聚類，得出初步的主題提取結果。在分詞結果基礎上進行LDA主題建模（見圖1），主題建模過程中引入“主題一致性”控制主題分類結果數量（見圖2）。以關鍵詞聚類得出的主題聚類結果為參考，綜合LDA模型的分類結果和相應主題類下的關鍵詞，經過主題儲選和合并獲得最終的主題提取結果。基于提取出的主題按照區域、時間等特征進行統計分析和關聯分析。

主題一致性得分衡量了模型生成的主題之間的語義連貫性。得分越高，表示主題越有意義且易于理解。本文設置了主題數目從5到29遍歷，為每一個模型進行訓練并計算其主題一致性得分（見圖2）。

2.3分類標注結合人工標注和機器學習方法，對訴求進行細致的分類標注，以實現對各類科技人才政策相關訴求的精準歸類。本文運用可視化工具pyLDAvis，為LDA主題模型提取出的主題分類結果繪制人才服務主題分布圖（見圖3）。圖3中每個圓圈代表一個主題，圓圈大小代表涉及的相關文本數量，圓圈之間的距離代表各主題的相似性。

對比各主題關鍵詞發現主題17和主題19，主題4和主題7其語義相似度確實較為接近。因此，本文將這幾個主題兩兩合并。另外，將涉及文本數最少、主題特征最不顯著的主題18作為噪聲進行篩除，最終得到17個主題分類結果。針對人才模型分類的具體主題抽取結果如表1所示。

熱點分析上，通過統計分析和可視化展示，揭示出某一時間段內科技人才政策的關注焦點及其演變趨勢。根據訓練的LDA主題模型得出5類補貼申領問題主題，對全體文本進行主題預測，得到貢獻百分比最高的主題分類，將得分最高的主題作為文檔代表主題進行統計（見圖4）。根據熱點主題人才服務工單數量的熱點問題分布情況，可以繪制出各主題相關的人才服務考慮問題數量。

根據訓練的LDA主題模型得出的5類人才認證與資格主題進行預測，得到貢獻百分比最高的主題分類，將得分最高的主題作為文檔代表主題進行統計（見圖5）。熱點主題人才認證與資格熱點問題分布情況，可以繪制出各主題相關的人才服務考慮問題編號數量。

本文特別對科技人才的投訴建議內容進行分析研究，發現人才聚焦人才評定、補貼、政策、配套政策等（見表2）。

3結論與建議

政務服務便民熱線是溝通政府與群眾的重要紐帶，是群眾向政府提出問題建議、推動政府高效解決服務管理問題的重要渠道［9-10］。本文選取了政務熱線這一廣泛應用于各地政府數字化治理的典型模式，通過實證分析對12345熱線人才服務數據進行了研究。在具體研究過程中，先對數據進行預處理，包括去噪和標準化處理；接著采用TIF-IDF方法對數據進行關鍵詞提取和聚類，然后利用LDA主題建模進行主題提取。為提高主題一致性，引入了“主題一致性”方法控制主題分類數量。通過人工標注和機器學習相結合的方法，對訴求進行分類標注。研究結果顯示，共得到17個人才服務主題，涵蓋了人才落戶、住房保障政策、高端人才引進計劃等方面。此外，還對科技人才政策的關注焦點及其演變趨勢進行了可視化展示。通過對科技人才投訴建議內容的分析，發現人才關注的主要問題包括人才評定、補貼、政策和配套政策等。

本文基于文本挖掘和自然語言處理技術對12345熱線科技人才政策需求熱點與問題進行分析，通過對人才訴求進行分類，從需求側明確了當前江蘇人才面臨的困境，對于指導相關職能部門在制定政策、落實政策中明確方向，相關建議如下：

（1）咨詢方面。進一步拓寬人才科技政策的查詢渠道，提升人才政策查詢的便利度。

（2）人才評定方面。相關職能部門需要進一步明確人才評定的標準、標準和流程設置的合理性、相關申報系統的性能，及時收集12345熱線人才的訴求，進行分析挖掘，動態了解人才的最緊迫、最緊急的需求，以問題為導向，加快落實。

（3）人才補貼方面。申請條件與申請流程設置更加合理，明確人才補貼的具體要求，在補貼發放過程中及時跟蹤反饋，讓補貼真正落到實處。

本文對政務熱線中關于科技人才政策主題熱點進行分析闡述，但是研究也存在一定局限性，首先研究方法上主要是借助文本分詞技術對文獻理論進行研究，能夠發現人才熱點主題分類，卻無法對政策施政效果進行關聯分析。其次，關于12345熱線中科技人才政策的分析推演過程缺乏實例支撐。鑒于此，下一步的研究可以針對12345熱線中科技人才政策施政效果開展更豐富的案例研究和關聯研究。

參考文獻

［1］鄭躍平，甘祺璇，張采薇，等.地方政府數據治理的現狀與問題——基于43個政務熱線部門的實證研究［J］.電子政務，2020（7）：66-79.

［2］鄭躍平，梁春鼎，黃思穎.我國地方政府政務熱線發展的現狀與問題——基于28個大中城市政務熱線的調查研究［J］.電子政務，2018（12）：2-17.

［3］王芳，徐健.文本挖掘在政府熱線中的應用研究綜述［J］.圖書情報工作，2021（7）：128-136.

［4］陳濤，周傲英，金澈清.文本挖掘及其在社交媒體分析中的應用綜述［J］.計算機學報，2019（8）：1639-1662.

［5］李燕，陳思，李輝.基于文本挖掘的科技人才政策特征研究——以中國C市為例［J］.科技進步與對策，2020（16）：122-129.

［6］王紅，張濤，張偉.基于文本挖掘的政府熱線數據智能分析與應用研究［J］.現代情報，2020（6）：127-133.

［7］劉志明，劉魯.文本挖掘在政府熱線中的應用研究［J］.電子政務，2019（8）：22-31.

［8］馬費成，宋恩梅.文本挖掘：概念、方法與應用［J］.武漢大學學報（人文科學版），2018（1）：1-10.

［9］胡廣偉，張軍，方瑜.基于文本挖掘的政府公共服務熱線研究綜述［J］.信息資源管理學報，2017（4）：1-8.

［10］張玉峰，李燕，陳思.基于文本挖掘的科技人才政策評價研究［J］.科技管理研究，2017（19）：147-153.

（編輯李春燕）

Analysis and research of Jiangsu science and technology talent service data

based on 12345 hotline demandsHUANG" Juan， ZHANG" Hao， ZHOU" Binbin

（Jiangsu Provincial Government Service Network Operation and Management Center， NanJing 210000， China）Abstract：" This article explores how to utilize text mining and Natural Language Processing （NLP） technologies to conduct in-depth analysis of data from the 12345 Hotline， with the aim of revealing current societal demands， focus points， and existing issues related to science and technology talent policies. By intelligently parsing and studying the vast amount of unstructured data from the 12345 Hotline， a thematic model has been constructed that identifies policy appeals concerning science and technology talents. The objective is to provide more precise demand-oriented guidance and decision-making references for the formulation of science and technology talent policies.

Key words： 12345 hotline; text mining; science and technology talent policy analysis